搜索[上下文压缩]结果-低调大师优秀个人博客

精选列表

搜索[上下文压缩]，共10000篇文章

压缩包怎么加密码，右键四步操作，把文件名一起加密

发完之后他才反应过来：这个压缩包没设密码，点开就能看到里面装了什么，连他给每个文件起的名字都一览无余。

2026-09-16

WorkBuddy 实战：一篇 Markdown 稿件，90 分钟压缩到 7 分钟直发公众号草稿箱

微信公众号技术文章的发布链路——从 Markdown 排版到图片上传、再到推送草稿箱，通常一篇要 90 分钟。本文记录如何用 WorkBuddy 把这条链路沉淀成可复用技能 wechat-mp-publisher：首次约 40 分钟跑通技能创建、示例稿件和凭据配置，之后每篇只要 7 分钟。全程 19 张实操截图、3 个真实踩坑，最终产出是后台草稿箱里可验收的一篇文章。

2026-09-08

图片太大怎么压缩kb，按这 5 步调参，实测从 12MB 压到 180KB

报名系统、邮件附件、后台管理系统，总有一处会用一行红字挡住你：图片太大，请压缩到 200KB 以内。

2026-09-02

高并发分账系统的性能优化实战：从500ms到50ms的延迟压缩

在交易中台、电商平台、本地生活服务系统的架构体系中，分账清算是典型的“低频次业务触发、高复杂度资金计算、强一致性要求”核心链路。不同于普通业务接口，分账链路一旦出现延迟、堆积、超时，不会直接导致用户下单失败，但会引发商户结算延迟、对账数据断层、退款回滚失败、财务夜间补量等隐性线上事故。

2026-08-07

Cloudflare 分享推理优化实践：KV cache 量化 + 权重压缩，吞吐量提升 41%，成本降 30%

月之暗面的 Kimi K 系列和智谱的 GLM 都是长上下文、MoE 架构的大模型，好用到让人上瘾，但 GPU 显存永远不够用。

2026-08-05

给自己搭一个私有在线压缩工具

发邮件提示附件超限，上传网站加载半天，做PPT或PDF时文件越做越大，发到社交平台后又可能被二次压缩，最后画质变糊、细节丢失。

2026-07-16

AOMedia 正式发布 AV2 视频编码规范，下一代视频压缩标准来了

Alliance for Open Media（AOMedia）于2026年5月28日正式发布了AV2视频编码规范的1.0.0版本，这是该组织在AV1之后推出的全新一代视频压缩标准。

2026-06-02

Linux云计算集群架构师->第九章文件的归档和压缩

# 第九章文件的归档和压缩 (上课时间2021-06-26，笔记整理时间2021-07-2) **本节所讲内容：** **9.1 tar 命令进行文件的归档和压缩** **9.2 zip 管理压缩文件

2021-07-02

Proxy-Go v9.2 发布，新增P2P打洞重试、流量快速上报，TCP压缩！

tcp增加了压缩传输参数-z和-Z。

2020-04-27

原文：https://www.zybuluo.com/hanbingtao/note/485480 写得非常好，可以细读全连接网络 VS 卷积网络全连接神经网络之所以不太适合图像识别任务，主要有以下几个方面的问题：参数数量太多考虑一个输入1000*1000像素的图片(一百万像素，现在已经不能算大图了)，输入层有1000*1000=100万节点。假设第一个隐藏层有100个节点(这个数量并不多)，那么仅这一层就有(1000*1000+1)*100=1亿参数，这实在是太多了！我们看到图像只扩大一点，参数数量就会多很多，因此它的扩展性很差。没有利用像素之间的位置信息对于图像识别任务来说，每个像素和其周围像素的联系是比较紧密的，和离得很远的像素的联系可能就很小了。如果一个神经元和上一层所有神经元相连，那么就相当于对于一个像素来说，把图像的所有像素都等同看待，这不符合前面的假设。当我们完成每个连接权重的学习之后，最终可能会发现，有大量的权重，它们的值都是很小的(也就是这些连接其实无关紧要)。努力学习大量并不重要的权重，这样的学习必将是非常低效的。网络层数限制我们知道网络层数越多其表达能力越强，但是通过梯度下降方法训练深度全连接神经网络很困难，因为全连接神经网络的梯度很难传递超过3层。因此，我们不可能得到一个很深的全连接神经网络，也就限制了它的能力。那么，卷积神经网络又是怎样解决这个问题的呢？主要有三个思路：局部连接这个是最容易想到的，每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连。这样就减少了很多参数。权值共享一组连接可以共享同一个权重，而不是每个连接有一个不同的权重，这样又减少了很多参数。下采样可以使用Pooling来减少每层的样本数，进一步减少参数数量，同时还可以提升模型的鲁棒性。对于图像识别任务来说，卷积神经网络通过尽可能保留重要的参数，去掉大量不重要的参数，来达到更好的学习效果。接下来，我们将详述卷积神经网络到底是何方神圣。卷积神经网络是啥首先，我们先获取一个感性认识，下图是一个卷积神经网络的示意图：网络架构如图1所示，一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式为： INPUT -> [[CONV]*N -> POOL?]*M -> [FC]*K 也就是N个卷积层叠加，然后(可选)叠加一个Pooling层，重复这个结构M次，最后叠加K个全连接层。对于图1展示的卷积神经网络： INPUT -> CONV -> POOL -> CONV -> POOL -> FC -> FC 卷积神经网络输出值的计算卷积层输出值的计算我们用一个简单的例子来讲述如何计算卷积，然后，我们抽象出卷积层的一些重要概念和计算方法。假设有一个5*5的图像，使用一个3*3的filter进行卷积，想得到一个3*3的Feature Map，如下所示：为了清楚的描述卷积计算过程，我们首先对图像的每个像素进行编号，用表示图像的第行第列元素；对filter的每个权重进行编号，用表示第行第列权重，用表示filter的偏置项；对Feature Map的每个元素进行编号，用表示Feature Map的第行第列元素；用表示激活函数(这个例子选择relu函数作为激活函数)。例如，对于Feature Map左上角元素来说，其卷积计算方法为：计算结果如下图所示：下面的动画显示了整个Feature Map的计算过程：上面的计算过程中，步幅(stride)为1。步幅可以设为大于1的数。例如，当步幅为2时，Feature Map计算如下： Pooling层输出值的计算 Pooling层主要的作用是下采样，通过去掉Feature Map中不重要的样本，进一步减少参数数量。Pooling的方法很多，最常用的是Max Pooling。Max Pooling实际上就是在n*n的样本中取最大值，作为采样后的样本值。下图是2*2 max pooling：除了Max Pooing之外，常用的还有Mean Pooling——取各样本的平均值。全连接层全连接层输出值的计算和上一篇文章零基础入门深度学习(3) - 神经网络和反向传播算法讲过的全连接神经网络是一样的，这里就不再赘述了。卷积神经网络的训练和全连接神经网络相比，卷积神经网络的训练要复杂一些。但训练的原理是一样的：利用链式求导计算损失函数对每个权重的偏导数（梯度），然后根据梯度下降公式更新权重。训练算法依然是反向传播算法。本文转自张昺华-sky博客园博客，原文链接：http://www.cnblogs.com/bonelee/p/7716284.html，如需转载请自行联系原作者

2017-11-07

一份 300 页的合同，模型上下文早该爆了，为什么文档智能还能逐页抽准

一、模型上下文窗口为什么会被长文档"撑爆" 大语言模型的上下文窗

2026-09-22

Termexo V0.8.2 发布：改善多终端输入卡顿，新增 1M 上下文与推理强度配置

四、模型 Profile 新增上下文与推理选项 Claude Code 可配置 1M 上下文模型标识；Claude 与 Codex 可分别设置推理强度，避免把两种 CLI 不同的档位混用。

2026-09-08

大模型多轮对话系统开发与优化：攻克上下文短板，全面升级Chatbot用户交互体验20.4

相信大家都一样，最刚开始调试模型的时候，单轮问答效果特别好，用户问一句、AI答一句，精准度很高，几乎看不出什么问题。但只要上线做多轮连续对话，各种毛病就全都暴露出来了。对话多几轮之后，AI就开始忘事、答非所问，有时候前后说法自相矛盾，重复啰嗦，而且对话越长，回复速度越慢、内容越乱。

2026-08-24

商家实操心得｜看懂GEO语义打分逻辑：上下文连贯性才是AI采信的隐形核心权重

我是一名深圳本地电商商家，属于纯自学摸索腾讯生态GEO优化的素人运营。做店铺AI收录大半年，踩过最隐蔽、最耗费精力的大坑，不是不会发文、不是爬虫抓取失败，而是文章收录正常、字数够、干货足、无违规营销，却始终无法被腾讯元宝采信，AI问答几乎不引用店铺内容。

2026-08-19

DeepSeek 1M 上下文生产落地：吞吐性能压测、语义缓存策略与 vLLM 量化部署实践

在选型 DeepSeek-V3 作为生产力基座时，技术团队最关注的并非单纯的 API 单价，而是其 1M Token 上下文窗口对系统架构的颠覆性影响。

2026-08-17

多轮对话场景下的品牌表现评估：如何处理AI上下文记忆对推荐结果的影响？

场景A：用户打开AI助手，直接问“推荐几个适合中小企业的团队协作工具”。AI给出回答，列出了A、B、C三个品牌，其中A排在首位，评价积极。

2026-07-29

狂揽169K Star，优化上下文Token 成本骤降60-80%，效率暴增

很多人用Claude Code的体验是这样的：刚开始觉得惊艳，用着用着就发现三个问题接踵而至——Token烧太快、上下文说丢就丢、代码质量忽高忽低。

2026-07-20

100万token上下文 + 2.8万亿参数：Kimi K3会如何重塑RAG式GEO投喂逻辑？

2026年7月16日，月之暗面正式发布Kimi K3——2.8万亿参数、100万token上下文窗口、全球首个开源的3万亿级别大模型（IThome，新华网）。

2026-07-20

基于腾讯混元API的品牌提及与推荐识别：关键词匹配与上下文消歧实践

我们将解析API返回结构，设计品牌关键词匹配与上下文消歧逻辑，区分“提及”与“推荐”，并给出Python示例代码。

2026-07-17

OpenAI 发布 GPT-5.4：支持高达 100 万 tokens 上下文处理、提供“Thinking”模式、可提前展示思考路径

OpenAI 表示，GPT-5.4 具备原生尖端计算机操作能力，可让智能体跨应用程序操控计算机并执行复杂工作流，该模型支持高达 100 万 tokens 的上下文处理能力，使智能体能够规划、执行并验证跨长期时段的任务

2026-03-06

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

精选列表

压缩包怎么加密码，右键四步操作，把文件名一起加密

WorkBuddy 实战：一篇 Markdown 稿件，90 分钟压缩到 7 分钟直发公众号草稿箱

图片太大怎么压缩kb，按这 5 步调参，实测从 12MB 压到 180KB

高并发分账系统的性能优化实战：从500ms到50ms的延迟压缩

Cloudflare 分享推理优化实践：KV cache 量化 + 权重压缩，吞吐量提升 41%，成本降 30%

给自己搭一个私有在线压缩工具

AOMedia 正式发布 AV2 视频编码规范，下一代视频压缩标准来了

Linux云计算集群架构师->第九章文件的归档和压缩

Proxy-Go v9.2 发布，新增P2P打洞重试、流量快速上报，TCP压缩！

卷积神经网络——本质上是在利用卷积做特征压缩，然后再全连接

一份 300 页的合同，模型上下文早该爆了，为什么文档智能还能逐页抽准

Termexo V0.8.2 发布：改善多终端输入卡顿，新增 1M 上下文与推理强度配置

大模型多轮对话系统开发与优化：攻克上下文短板，全面升级Chatbot用户交互体验20.4

商家实操心得｜看懂GEO语义打分逻辑：上下文连贯性才是AI采信的隐形核心权重

DeepSeek 1M 上下文生产落地：吞吐性能压测、语义缓存策略与 vLLM 量化部署实践

多轮对话场景下的品牌表现评估：如何处理AI上下文记忆对推荐结果的影响？

狂揽169K Star，优化上下文Token 成本骤降60-80%，效率暴增

100万token上下文 + 2.8万亿参数：Kimi K3会如何重塑RAG式GEO投喂逻辑？

基于腾讯混元API的品牌提及与推荐识别：关键词匹配与上下文消歧实践

OpenAI 发布 GPT-5.4：支持高达 100 万 tokens 上下文处理、提供“Thinking”模式、可提前展示思考路径

资源下载

Nacos

Spring

Sublime Text

WebStorm

欢迎您来访！

精选列表

压缩包怎么加密码，右键四步操作，把文件名一起加密

WorkBuddy 实战：一篇 Markdown 稿件，90 分钟压缩到 7 分钟直发公众号草稿箱

图片太大怎么压缩kb，按这 5 步调参，实测从 12MB 压到 180KB

高并发分账系统的性能优化实战：从500ms到50ms的延迟压缩

Cloudflare 分享推理优化实践：KV cache 量化 + 权重压缩，吞吐量提升 41%，成本降 30%

给自己搭一个私有在线压缩工具

AOMedia 正式发布 AV2 视频编码规范，下一代视频压缩标准来了

Linux云计算集群架构师->第九章 文件的归档和压缩

Proxy-Go v9.2 发布，新增P2P打洞重试、流量快速上报，TCP压缩！

卷积神经网络——本质上是在利用卷积做特征压缩，然后再全连接

一份 300 页的合同，模型上下文早该爆了，为什么文档智能还能逐页抽准

Termexo V0.8.2 发布：改善多终端输入卡顿，新增 1M 上下文与推理强度配置

大模型多轮对话系统开发与优化：攻克上下文短板，全面升级Chatbot用户交互体验20.4

商家实操心得｜看懂GEO语义打分逻辑：上下文连贯性才是AI采信的隐形核心权重

DeepSeek 1M 上下文生产落地：吞吐性能压测、语义缓存策略与 vLLM 量化部署实践

多轮对话场景下的品牌表现评估：如何处理AI上下文记忆对推荐结果的影响？

狂揽169K Star，优化上下文Token 成本骤降60-80%，效率暴增

100万token上下文 + 2.8万亿参数：Kimi K3会如何重塑RAG式GEO投喂逻辑？

基于腾讯混元API的品牌提及与推荐识别：关键词匹配与上下文消歧实践

OpenAI 发布 GPT-5.4：支持高达 100 万 tokens 上下文处理、提供“Thinking”模式、可提前展示思考路径

资源下载

Nacos

Spring

Sublime Text

WebStorm

欢迎您来访！

Linux云计算集群架构师->第九章文件的归档和压缩